概述 该模块已针对RESISC-45数据集上的遥感应用进行了预训练。 用法 该模块实现了图像特征向量的公共特征，用法如下： 对于此模块，输入图像的大小是灵活的，但最好匹配模型训练输入，即高度x宽度= 224 x 224像素。遵循通用图像输入约定，期望输入图像的颜色值在[0,1]范围内。 微调 建议将该模块用于自定义数据集上进行微调。微调需要导入带有标签集{“train”}的图形版本，以便在训练模式下进行批量归一化。 转载 https://tfhub.dev/google/remote_sensing/resisc45-resnet50/1

巧克力是世界上最受欢迎的糖果之一。每年，美国居民的集体饮食总和超过28亿英镑。但是，并非所有巧克力条都是一样的！ 该数据集包含对1,700多个单独巧克力棒的专家评级，以及有关其区域来源，可可百分比，所用巧克力豆的品种以及豆种的信息。 可可评级系统的风味： 5 =精英（超越普通限制） 4 =特级（高级风味开发，性格和风格） 3 =满意（3.0）到值得称赞（3.75）（精心制作，具有特殊品质） 2 =令人失望（可以通过，但至少包含一个重大缺陷） 1 =令人不快（大多不愉快） 每种巧克力都是通过客观质量和主观解释相结合进行评估的。此处的评分仅代表一次批处理一次的经验。已知时，批号，年份和审查日期都包含在数据库中。 该数据库只针对纯黑巧克力，目的在于了解可可制成巧克力时的风味。等级不反映健康益处，社会使命或自然状态。 Flavor是可可风味等级中最重要的组成部分。风味的多样性，平衡性，强度和纯度都应考虑在内。直截了当的单注巧克力有可能达到与变化而来的复杂风味特征一样高的等级。当考虑风味成分时，可以讨论遗传学，风土，收获后技术，加工和贮藏。 Texture对整体体验有很大影响，并且与质地有关的问题也可能影响风味。这是评估制造商愿景，对细节的关注程度和熟练程度的好方法。 Aftermelt是巧克力融化后的变化。更高品质的巧克力将留存下来，并且持久且令人愉悦。由于余味是您从巧克力中获得的最后印象，因此它在总体评价中同样重要。 Overall是评级中反映主观意见的地方。理想情况下，这是我对上述各组是否协同工作以及对风味发展，特征和风格的看法的评估。在这里，通常可以通过记住每种巧克力的最突出印象来概括每种巧克力。 via:https://www.kaggle.com/rtatman/chocolate-bar-ratings

森林火灾是保护热带森林的一个严重问题。了解历史中森林火灾的发生频率有助于采取行动防止火灾。 巴西拥有地球上最大的雨林，即亚马逊雨林。 该数据集报告了巴西各周的森林大火数量。该系列涵盖大约10年（1998年至2017年）的数据。数据来自巴西政府的官方网站。 http://dados.gov.br/dataset/sistema-nacional-de-informacoes-florestais-snif 有了这些数据，就可以评估多年来的火灾以及火灾的集中地区。 合法的亚马逊地区包括阿克州，阿马帕州，帕拉州，亚马逊州，朗多尼亚州，罗赖马州，以及马托格罗索州，托坎丁斯州和马拉尼昂州的一部分。 via:https://www.kaggle.com/gustavomodelli/forest-fires-in-brazil

介绍 这两个数据集与葡萄牙“ Vinho Verde”葡萄酒的红色和白色变体有关，只有理化（输入）和感官（输出）变量可用（例如，没有有关葡萄类型，葡萄酒品牌，葡萄酒售价等数据）。 这些数据集可以用于分类或回归建模，这些类别是有序的，不均衡的（例如，普通葡萄酒比优劣葡萄酒要多得多）。 内容 输入变量（基于理化测试）： 1-固定酸度 2-挥发性酸度 3-柠檬酸 4-残留糖 5-氯化物 6-游离二氧化硫 7-总二氧化硫 8-密度 9-pH 10-硫酸盐 11-酒精 输出变量（基于感官数据）： 12-质量（得分在0到10之间） Else 除了使用回归建模之外，还可以为葡萄酒质量设置一个的临界值，例如7或更高级别被分类为“良好/ 1”，其余分类为“不良/ 0”。这样就可以用决策树算法查看ROC曲线和AUC值。 转载https://www.kaggle.com/uciml/red-wine-quality-cortez-et-al-2009

介绍 该数据集可以帮助你充分利用现有的机器学习和深度学习知识，并将其应用于医学领域，简化内科医生的任务。 该数据集具有132个参数，可以预测42种不同类型的疾病。 内容 完整的数据集包含2个CSV文件。 其中一个用于训练模型，另一个用于测试模型。 每个CSV文件都有133列，其中132列是人经历的症状，最后一列是预后。 这些症状对应于42种疾病，可以将这些症状进行分类。 需要在训练数据上训练模型并在测试数据上对其进行测试 转载https://www.kaggle.com/kaushil268/disease-prediction-using-machine-learning

介绍 本资源涉及课题“基于卷积神经网络的手势识别系统设计”， 要求自定义十种手势动作并赋予手势动作含义，采集手势动作图像，建立手势动作图像数据集，使用卷积神经网络算法进行模型训练。使用电脑前置摄像头或外接摄像头实时对画面中的手势动作进行准确识别并输出识别结果。 内容 包含课题汇报的PPT、讲稿以及实时识别效果展示视频。